فائدہ:
- ڈیٹا لائف سائیکل کے ہر مرحلے پر AI تحفظات کا اطلاق کریں۔
- برقرار رکھنے کی مدت مقرر کریں اور تباہی کی پالیسی میں AI چیٹ کی سرگزشت شامل کریں۔
- گمنامی اور تخلص کے درمیان فرق کو لاگو کرنا
ڈیٹا کا "بعد" وہ حصہ ہے جہاں ڈیٹا پروٹیکشن آفیسر اکثر نظر انداز کرتا ہے۔ AI میں ایک بار متن داخل ہونے کے بعد، ایسا لگتا ہے کہ کام ہو گیا ہے۔ تاہم، وہ ڈیٹا کہیں محفوظ ہے، ہو سکتا ہے کہ ماڈل ٹریننگ میں استعمال ہو، ہو سکتا ہے یہ مہینوں کی چیٹ ہسٹری میں جمع ہو جائے۔ اس یونٹ میں، ہم قدم بہ قدم ذاتی ڈیٹا کے لائف سائیکل پر بات کریں گے۔ ہم برقرار رکھنے کے ادوار، AI چیٹ کی تاریخوں کی تباہی، اور دو اہم تکنیکوں - گمنام اور تخلص کے درمیان فرق کرنے کے بارے میں سیکھیں گے۔ مقصد یہ ہے کہ ڈیٹا کو اس کی پوری زندگی میں منظم کیا جائے، نہ کہ صرف اس وقت جب اسے داخل کیا جائے۔
ڈیٹا لائف سائیکل اور AI
ذاتی ڈیٹا لائف سائیکل سے گزرتا ہے۔ ہر مرحلے میں AI کے لیے مخصوص توجہ کے مقامات ہوتے ہیں۔
اسٹیج
کیا ہوتا ہے؟
AI توجہ کا مقام
مجموعہ
ڈیٹا حاصل کیا جاتا ہے۔
کیا مقصد اور بنیاد واضح ہے؟ کیا اسے کم کیا گیا ہے؟
استعمال / پروسیسنگ
AI میں داخل ہوا، کارروائی کی گئی۔
کیا ماسکنگ ہو گئی ہے؟ منظور شدہ گاڑی؟
ذخیرہ
ڈیٹا محفوظ ہے۔
چیٹ کی تاریخ کتنی دیر تک رہتی ہے؟
منتقلی
کسی اور کے پاس جاتا ہے۔
بین الاقوامی سرور؟ کیا مناسب یقین دہانی ہے؟
تباہی
حذف کرنا/نام ظاہر کرنا
کیا مقصد پورا ہونے کے بعد اسے حذف کر دیا گیا؟ کیا اسپیئرز شامل ہیں؟
دو سب سے زیادہ نظرانداز کیے جانے والے مراحل اسٹوریج اور ڈسپوزل ہیں۔ ڈیٹا "بھول گیا" ہے اور سسٹم میں جمع ہوتا رہتا ہے - جو دونوں KVKK اصول کی خلاف ورزی کرتا ہے اور خلاف ورزی کی صورت میں نقصان کو بڑھاتا ہے۔
ذخیرہ کرنے کا وقت: آپ اسے کب تک رکھ سکتے ہیں؟
KVKK کا برقرار رکھنے کا اصول واضح ہے: ذاتی ڈیٹا کو اس مقصد کے لیے ضرورت سے زیادہ دیر تک نہیں رکھا جا سکتا جس کے لیے اس پر کارروائی کی جاتی ہے۔ جب مقصد مزید دستیاب نہ ہو، ڈیٹا کو حذف، تباہ یا گمنام رکھا جانا چاہیے۔ ادارہ ذخیرہ کرنے اور ضائع کرنے کی پالیسی تیار کرتا ہے۔ اس بات کا تعین کرتا ہے کہ ڈیٹا کے ہر زمرے کے لیے کتنا رکھنا ہے۔
AI کے لیے مخصوص اہم نکتہ: AI چیٹ کی سرگزشتوں میں بھی ڈیٹا محفوظ کیا جاتا ہے۔ اگر کسی ملازم نے صارفین کا ڈیٹا مہینوں تک اسی چیٹ میں داخل کیا ہے، تو وہ تاریخ ڈیٹا کا ذخیرہ بن جاتی ہے۔ اس کے لیے:
- انٹرپرائز AI ٹولز میں ڈیٹا برقرار رکھنے کی ترتیبات کو ترتیب دیں (اگر ممکن ہو تو تاریخ کو خودکار طور پر حذف کریں یا ماڈل ٹریننگ میں استعمال کو بند کریں)۔
- اپنے تباہی کے شیڈول میں چیٹ کی سرگزشت شامل کریں۔
- کارپوریٹ معاہدے میں "ماڈل ٹریننگ میں استعمال نہ کریں" (آپٹ آؤٹ) آپشن کو یقینی بنائیں۔
توجہ: ڈیٹا کو حذف کرنا صرف اسے اسکرین سے ہٹانا نہیں ہے۔ فراہم کنندہ کے سرور پر بیک اپ، لاگز اور کاپیوں پر بھی غور کیا جانا چاہیے۔ جب آپ "حذف شدہ" کہتے ہیں، تو یقینی بنائیں کہ آپ نے جو حذف کیا ہے وہ واقعی ناقابل واپسی ہے۔
گمنامی یا تخلص؟
یہ دونوں اصطلاحات اکثر الجھ جاتی ہیں، لیکن ان کے قانونی نتائج متضاد ہیں۔
- گمنامی: ڈیٹا بنانا تاکہ اسے کسی بھی طرح سے کسی شخص کے ساتھ منسلک نہ کیا جا سکے۔ اگر صحیح طریقے سے کیا جائے تو نتیجہ اب ذاتی ڈیٹا نہیں رہتا اور KVKK کے دائرہ کار سے باہر آتا ہے۔ مثال: 10,000 افراد کے ڈیٹا سیٹ میں انفرادی قطاروں کو حذف کرنا اور صرف مجموعی اعداد و شمار چھوڑنا جیسے کہ "استنبول میں 25-34 عمر کے گروپ میں اوسط خرچ"۔
- تخلص: شناختی معلومات کو کوڈ/ٹیگ سے بدل دیا جاتا ہے، لیکن "کلید" والے شخص کو واپس کیا جا سکتا ہے۔ مثال: "Ahmet Yılmaz" کے بجائے "Customer-4471" لکھنا، لیکن ایک ٹیبل رکھنا جس سے یہ ظاہر ہو کہ کون سا کوڈ کس کا ہے۔ یہ اب بھی ذاتی ڈیٹا ہے اور KVKK کے دائرہ کار میں آتا ہے۔
خصوصیت
گمنامی
تخلص
کیا اس شخص کو واپس کیا جا سکتا ہے؟
نہیں (اگر صحیح طریقے سے کیا جائے)
ہاں، چابی کے ساتھ
کیا یہ اب بھی ذاتی ڈیٹا ہے؟
نہیں
جی ہاں
KVKK دائرہ کار
باہر
میں
AI میں جانے کے لیے
سب سے محفوظ طریقہ
ایک بار پھر، ایک بنیاد/قاعدہ درکار ہے۔
ٹپ: "کیا یہ الٹنے والا ہے؟" AI میں ڈیٹا داخل کرنے سے پہلے۔ پوچھنا اگر اس میں کوئی کلید/مماثلت ہے، تو یہ تخلص ہے اور پھر بھی ذاتی ڈیٹا ہے۔ حقیقی گمنامی مجموعی نتیجہ کا اشتراک کر رہی ہے، انفرادی قطاروں کی نہیں۔
تین چھوٹے مقدمات
کیس 1 - جعلی نام ظاہر نہ کرنا۔ صحت کی دیکھ بھال کرنے والی ایک کمپنی AI کو ڈیٹا کا ایک سیٹ دیتی ہے جس کا کہنا ہے کہ اس نے تجزیہ کے لیے "گمنام" رکھا ہوا ہے۔ لیکن سیٹ میں تاریخ پیدائش، کاؤنٹی، اور ایک نادر تشخیص شامل ہے۔ یہ تینوں ایک چھوٹی کاؤنٹی میں ایک فرد کی نشاندہی کر سکتا ہے۔ یہ گمنام نہیں ہے؛ ڈیٹا اب بھی ذاتی ہے. صحیح طریقہ: تاریخ پیدائش کو عمر کی حد میں تبدیل کرنا، کاؤنٹی کے لحاظ سے عام کرنا، نایاب تشخیصوں کا گروپ بنانا—یعنی حقیقی جمع۔
کیس 2 - بات چیت کا ڈھیر لگانا۔ ایک کال سینٹر میں، 6 ایجنٹ 4 ماہ کے لیے اسی کارپوریٹ AI اکاؤنٹ میں کسٹمر کا ڈیٹا داخل کرتے ہیں۔ کوئی بھی ماضی کو صاف نہیں کرتا۔ بالآخر 12,000 سے زیادہ صارفین کے تعاملات ایک جگہ پر جمع ہوئے۔ ایک آڈٹ میں، اس جمع کو ایک بڑے خطرے کے طور پر نشان زد کیا گیا ہے۔ حل: ہر 30 دن میں تاریخ کو خود بخود حذف کرنے کی ترتیب، کام ختم ہونے پر لاگ آؤٹ کرنے کا ایک اصول، اور برقرار رکھنے کی پالیسی کے لیے کھلا ایک شق۔
کیس 3 - صحیح تخلص۔ AI کے ساتھ ملازم کی کارکردگی کا تجزیہ کرتے وقت، ایک HR ٹیم "Employee-001" جیسے ناموں کو کوڈ کرتی ہے اور مماثل میز کو ایک علیحدہ، رسائی سے محدود فائل میں رکھتی ہے۔ یہ تخلص ہے؛ ڈیٹا اب بھی ذاتی ہے، لیکن خطرہ کم ہو گیا ہے۔ ٹیم کو معلوم ہے کہ یہ گمنام نہیں ہے اور اس کے مطابق اس کی قانونی بنیاد اور برقرار رکھنے کی مدت کا تعین کرتی ہے۔
کاپی کرنے کے قابل ٹیمپلیٹس
ٹیمپلیٹ 1 — برقرار رکھنے اور تباہی کی پالیسی لائن: "مندرجہ ذیل ڈیٹا کے زمرے کے لیے برقرار رکھنے کی تباہی کی پالیسی کی لائن تجویز کریں: [زمرہ]۔ فیلڈز: برقرار رکھنے کی مدت (مقصد کے لحاظ سے جائز ہے)، تباہی کا طریقہ (حذف کرنا/تباہ/نام ظاہر کرنا)، چاہے AI چیٹ کی سرگزشت شامل ہے، ذمہ دار کردار۔ یاد دلائیں کہ اگر کوئی قانونی پابندی موجود ہے۔"
ٹیمپلیٹ 2 — گمنامی کی جانچ: "اس بات کا اندازہ کریں کہ آیا درج ذیل ڈیٹاسیٹ واقعی گمنام ہے: [لسٹ فیلڈز]۔ فیلڈز کے کون سے مجموعے کسی شخص کو قابل شناخت بنا سکتے ہیں (مثلاً تاریخ پیدائش + زپ کوڈ + نایاب خصوصیت)؟ ہر خطرے والے فیلڈ (جیسے عمر کی حد، صوبے کی سطح) کو مضبوط کرنے کے لیے عمومی بنانے کی تجویز دیں۔
ٹیمپلیٹ 3 — ماسکنگ + واپسی کلید کی علیحدگی: "ذیل کا تخلص: ذاتی ڈیٹا کو انکوڈ کریں (جیسے [NAME]->K001)، لیکن مجھے الگ سے ایک مماثل ٹیبل دیں۔ متن میں ہی کوئی حقیقی شناخت نہ چھوڑیں۔ نوٹ کریں کہ مماثل جدول 'ذاتی ڈیٹا' ہے اور اسے الگ سے ذخیرہ کیا جانا چاہیے۔"
ٹیمپلیٹ 4 — AI ٹول ڈیٹا اسٹوریج آڈٹ: "ہم جو AI ٹول استعمال کرتے ہیں اس کے ڈیٹا اسٹوریج کے رویے کا آڈٹ کرنے کے لیے سوالات کی ایک فہرست تیار کریں: تاریخ کتنی دیر تک رکھی جاتی ہے، کیا اسے حذف کیا جا سکتا ہے، کیا اسے ماڈل ٹریننگ میں استعمال کیا جاتا ہے، کیا آپٹ آؤٹ ہوتا ہے، ڈیٹا پر کارروائی کہاں ہوتی ہے، بیک اپ کیا ہیں؟ ہر سوال کا متوقع 'محفوظ' جواب لکھیں۔"
کمزور فوری / مضبوط اشارہ
کمزور: "اس ڈیٹا کو گمنام رکھیں۔" (کوڈز اور نام چھوڑتے ہیں)-> صرف عرفی نام؛ دوبارہ شناخت کے خطرات باقی ہیں، جیسے تاریخ پیدائش، نایاب خصلت؛ یہ "گمنام" کا بھرم پیدا کرتا ہے۔ GÜÇLÜ: "اس سیٹ میں فیلڈز کے ایسے مجموعے تلاش کریں جو فرد کی دوبارہ شناخت کر سکیں؛ ان میں سے ہر ایک کو عام کریں (عمر کی حد، صوبے کی سطح)۔ میرا مقصد کوئی ایک ریکارڈ نہیں ہے، بلکہ مجموعی اعداد و شمار ہیں۔ نتیجتاً، کسی کو ایک فرد کے طور پر ممتاز نہیں کیا جا سکتا اور اس کی تصدیق کی جا سکتی ہے۔" -> ماڈل حقیقی گمنامی کی طرف جھکتا ہے، دوبارہ شناخت کے خطرے کو کم کرتا ہے۔
عام غلطیاں
- گمنامی کے لیے تخلص کی غلطی؛ بھول جاتے ہیں کہ یہ ذاتی ڈیٹا رہتا ہے۔
- ناموں کو حذف کرنا اور تاریخ پیدائش + مقام + نایاب خصلت جیسے وضاحتی مجموعے چھوڑنا۔
- AI چیٹ ہسٹری کو برقرار رکھنے/تباہی کے اصول کے تابع نہ کریں؛ غیر معینہ مدت تک جمع.
- معاہدے میں "ماڈل ٹریننگ میں استعمال نہ کریں" (آپٹ آؤٹ) شق کو یقینی نہ بنانا۔
- جب میں حذف کرنے کا کہتا ہوں، میرا مطلب ہے کہ صرف اسکرین صاف کریں اور بیک اپ اور لاگز کو بھول جائیں۔
- اسٹوریج کی مدت کو مقصد کے بجائے "صرف صورت میں" کے لیے زیادہ رکھنا۔
- اس بات کو نظر انداز کرنا کہ ٹرانسفر اور اسٹوریج بھی فراہم کنندہ کے سرور پر ہوتا ہے۔
خلاصہ میں
- ذاتی ڈیٹا لائف سائیکل سے گزرتا ہے۔ سب سے زیادہ نظرانداز کیے جانے والے مراحل اسٹوریج اور ڈسپوزل ہیں۔
- اس مقصد کے لیے ڈیٹا کو ضرورت سے زیادہ دیر تک نہیں رکھا جا سکتا ہے۔ ادارے کو ذخیرہ اندوزی اور تباہی کی پالیسی قائم کرنی چاہیے۔
- AI چیٹ کی تاریخیں بھی ڈیٹا کو محفوظ کرتی ہیں۔ ڈسپوزل شیڈول اور سٹوریج کی ترتیبات میں شامل کیا جانا چاہئے.
- گمنامی KVKK سے ڈیٹا لے جاتی ہے۔ تخلص اب بھی ڈیٹا کو ذاتی چھوڑ دیتا ہے۔
- نام کو حذف کرنا گمنامی نہیں ہے۔ دوبارہ شناخت کے خطرے میں تمام مجموعوں کو عام کیا جانا چاہئے۔
درخواست کا کام
ڈیٹا کا ایک زمرہ منتخب کریں جو آپ کی تنظیم AI کے ساتھ عمل کرتی ہے (مثال کے طور پر، کسٹمر سپورٹ ریکارڈز)۔ اس زمرے کے لیے برقراری اور تباہی کی پالیسی لائن لکھیں: برقرار رکھنے کی مدت (جائز)، تباہی کا طریقہ، آیا AI چیٹ کی تاریخ شامل ہے، اور ذمہ دارانہ کردار۔ پھر اسی ڈیٹا سے ایک نمونہ ریکارڈ لیں اور پہلے اسے تخلص کریں (مماثل جدول کو الگ رکھیں)، پھر لکھیں کہ آپ کن فیلڈز کو عام کریں گے اور اس ریکارڈ کو حقیقی گمنامی میں کیسے لانا ہے۔ آخر میں، پانچ سوالات تیار کریں جو آپ کے استعمال کردہ AI ٹول کے ڈیٹا سٹوریج کے رویے کو کنٹرول کرتے ہیں اور وہ "محفوظ" جواب شامل کریں جس کی آپ ہر ایک سے توقع کرتے ہیں۔
چیک لسٹ
- میں نے ڈیٹا کے زمرے کے لیے برقرار رکھنے کی مدت اور تباہی کا طریقہ متعین کر لیا ہے۔
- [] میں نے تباہی کے شیڈول میں AI چیٹ کی تاریخ کو شامل کیا ہے۔
- میں نے "ماڈل ٹریننگ میں استعمال نہ کریں" آپٹ آؤٹ آئٹم کو چیک کیا۔
- [] میں نے تخلص اور گمنامی کے درمیان فرق کو نافذ کیا۔
- میرے پاس فیلڈ کے مجموعے ہیں جن کی دوبارہ شناخت کا خطرہ ہے۔
- میں نے حذف کرنے کے دائرہ کار میں بیک اپ اور لاگز بھی شامل کیے ہیں۔
- [ ] میں نے AI ٹول کے ڈیٹا اسٹوریج کے رویے کا آڈٹ کیا۔